『株式会社ずんだもん技術室AI放送局』のカバーアート

株式会社ずんだもん技術室AI放送局

株式会社ずんだもん技術室AI放送局

著者： 株式会社ずんだもん技術室AI放送局
無料で聴く

このコンテンツについて

 AIやテクノロジーのトレンドを届けるPodcast。平日毎朝6時配信。朝の通勤時間や支度中に情報キャッチアップとして聞いてほしいのだ。(MC 月:春日部つむぎ、火水木:ずんだもん、金:お嬢様ずんだもん)
エピソード
  • 私立ずんだもん女学園放送部 podcast 20250613

    私立ずんだもん女学園放送部 podcast 20250613
    2025/06/12
    関連リンク Claude Code 版 Orchestaror で複雑なタスクをステップ実行する この記事では、AIが複雑なタスクを段階的かつ効率的に実行するための仕組み「Orchestrator（オーケストレーター）」を、Anthropic社のAI「Claude Code」で実現した事例を紹介しています。 従来のRoo Orchestratorの考え方を基に、AIがタスクをサブタスクに分割し、段階的に実行することで、処理コストを大幅に削減（例: 6ドルが1ドル未満に）し、速度向上も期待できます。 このOrchestratorは、Claude Codeの.claude/commandsという機能を利用して作られています。これは、特定のMarkdownファイルを配置するとAIがカスタムコマンド（例: /project:orchestrator）として実行できる仕組みです。AI自身がサブタスクを処理する「Taskツール」と組み合わせることで、複雑な処理を効率的に進めます。 Orchestratorの主なプロセスは以下の5つのステップで構成されます。 Initial Analysis（初期分析）: まずタスク全体の範囲と要件を理解し、依存関係や実行順序を計画します。Step Planning（ステップ計画）: タスクを2〜4つの段階的なステップに分解し、各ステップ内で複数のサブタスクを並行実行できるように計画します。Step-by-Step Execution（段階的実行）: 各ステップ内のサブタスクを並列に実行し、完了を待ちます。前のステップで得られた必要な結果だけを次のステップに渡し、AIが一度に処理する情報量（コンテキスト）を最小限に抑えます。Step Review and Adaptation（ステップレビューと調整）: 各ステップ完了後に結果を確認し、残りのステップが適切か検証します。新たな発見があれば、計画を柔軟に調整し、サブタスクを追加・変更します。Progressive Aggregation（段階的な統合）: 完了したステップから得られた結果を統合し、それを次のステップの前提知識として活用することで、段階的に全体を理解を深めていきます。 これにより、「段階的な進行」「並列処理による効率化」「AIの『記憶』の最適化」「段階的な理解」「明確な依存関係」といった利点が生まれます。 例えば、TypeScriptプロジェクトの「分析、テスト、リンティング（コード品質チェック）、コミット」といった一連の作業をAIが自動で実行できます。テストやリンティングでエラーが見つかればAIが修正を試み、不要な修正ステップをスキップするなど、状況に応じて計画を柔軟に調整できます。 AIエージェントを効果的に活用するには、「最初にタスク全体を調査・計画」「サブタスクを並列実行」「各ステップ後に計画を見直し」が重要です。これにより、AIは複雑な開発タスクをより賢く、効率的にこなせるようになります。 引用元: https://zenn.dev/mizchi/articles/claude-code-orchestrator Benchmarking Multi-Agent Architectures この記事では、複数のAIエージェントが連携して動作する「マルチエージェントシステム」の設計パターンと性能について、LangChainの公式ブログが実施したベンチマーク結果を解説しています。 なぜマルチエージェントが必要か？ これまでの単一AIエージェントは、扱うツールや情報（コンテキスト）が増えると性能が低下するという課題がありました。これは、人間が一度に処理できる情報量に限界があるのと似ています。そこで、役割ごとにエージェントを分割し、互いに連携させる「マルチエージェントシステム」が注目されています。これにより、システムがモジュール化され、開発・評価・保守がしやすくなる上、異なるチームが開発したエージェントを組み合わせることも可能になります。 ３つの代表的なアーキテクチャ LangChainでは、代表的なマルチエージェントの連携方法として以下の3つを比較検証しました。 Single Agent: 全てのツールと情報にアクセスできる従来の単一エージェントです。性能の基準となります。Swarm: 各エージェントがお互いの存在を認識し、必要に応じてタスクを他のエージェントに「ハンドオフ」（引き渡し）します。一度にアクティブになるのは1つのエージェントのみで、ユーザーへの応答は直接エージェントが行います。Supervisor: 「スーパーバイザー」と呼ばれる中心のエージェントが、ユーザーからの入力を受け取り、適切な...
    続きを読む 一部表示
    1分未満
  • 株式会社ずんだもん技術室AI放送局 podcast 20250612

    株式会社ずんだもん技術室AI放送局 podcast 20250612
    2025/06/11
    関連リンク AI領域における組織の強みを活かすアーキテクチャ設計 AI Shift社が開発する企業向けAIエージェント構築プラットフォーム「AI Worker」について、開発チームとAIチームが協力し、組織の強みを最大限に活かすアーキテクチャ設計をどのように模索したかを紹介します。 AIエージェント開発における課題と変化 かつてはAIチームの研究力がプロダクトの強みでしたが、2024年からのLLM（大規模言語モデル）の急速な進化により、AIチームの研究と市場の変化にずれが生じました。開発チームはLLMのAPI組み込みに注力するようになり、AIチームとの連携が一時的に薄れる課題がありました。しかし2025年、AIエージェントが注目され、LLMだけでなく、多様なツール連携や記憶管理など、より複雑な要素が必要になったことで、開発チームもAIの専門領域に、AIチームも開発ノウハウに踏み込む必要が出てきました。 組織の強みを活かすアーキテクチャ設計のポイント 責務の再定義とチーム統合: AIエージェント開発では、AIチームの役割がアプリケーション層まで広がるため、サービス単位で責務を分けるのではなく、開発チームとAIチームを統合し、同じ実行エンジンサービス内でそれぞれの専門性を活かすようにしました。これにより、DB選定やHTTPサーバ構築など、AIチームが開発領域にも関われるようになります。 開発言語の統一（TypeScript）: 元々異なる言語（AIチーム：Python、開発チーム：TypeScript）を使っていたところを、AIエージェントの実行エンジンもTypeScriptに統一しました。これは、他サービスのアーキテクチャを参考にできる、チーム間の知識共有がしやすくなる、開発速度が向上するといったメリットがあるためです。 AIエージェントフレームワーク「Mastra」の採用と向き合い方: TypeScript製のAIエージェントフレームワーク「Mastra」を採用することで、開発の初期スピードを上げられました。Mastraは、エージェントやワークフロー、RAG（検索拡張生成）などの主要機能に加え、デバッグや運用機能も充実しています。 一方で、AIエージェントの分野は変化が激しいため、特定のフレームワークに過度に依存せず、将来的に別のフレームワークに乗り換えられるように、重要な機能（例：データ永続化のための短期記憶）はMastraの機能を使わず、独自でPostgreSQLを導入するなど、疎結合な設計を意識しています。これは、柔軟な設計と将来への備えのためです。 疎結合な設計とFeature Flagの活用: 異なるチームが同じコードを触るため、コードベースでの「依存性の逆転」と「疎結合な責務分離」を徹底しました。これは、Mastraのワークフローを「ユースケース層」、記憶管理を「インフラ層」と捉え、それぞれが独立するように設計することで、テストのしやすさや、変更時の影響範囲を小さく保つための工夫です。 また、LLMの不確実性に対応するため、実装と検証を高速で回せる「Feature Flag」の仕組みを導入しました。これにより、新しい機能を本番環境に影響なく検証し、迅速に改善サイクルを回すことが可能になりました。例えば、AIエージェントの振る舞いを刷新するプロジェクトを、Feature Flagを活用することで約1ヶ月で本番リリースまで漕ぎつけ、長期的なR&Dの高速化に貢献しました。 まとめ AIエージェント開発では、開発チームとAIチームがお互いの領域に踏み込み、協力し合うことが重要です。そのためには、疎結合で柔軟なアーキテクチャ設計と、Feature Flagを活用した高速な検証サイクル基盤の構築が不可欠であり、これらが市場の変化に対応し、プロダクトを成長させる鍵となります。 引用元: https://zenn.dev/aishift/articles/c897d0e095c3d8 Agent Development Kit によるエージェント開発入門 タイトル: Agent Development Kit によるエージェント開発入門 要約: この資料は、大規模言語モデル（LLM）を基盤とした「AIエージェント」を開発するための入門ガイドです。新人エンジニアの皆さんが、AIエージェントの基本的な仕組みや開発の流れを理解するのに役立つ内容となっています。 まず、LLMが単なる質問応答にとどまらず、より複雑なタスクをこなす「エージェント」として機能...
    続きを読む 一部表示
    1分未満
  • 株式会社ずんだもん技術室AI放送局 podcast 20250611

    株式会社ずんだもん技術室AI放送局 podcast 20250611
    2025/06/10
    関連リンク メルカリにおけるデータアナリティクス AI エージェント「Socrates」と ADK 活用事例 メルカリは、膨大な社内データを持ちながらも、SQLなどの専門知識がないとデータ活用が難しいという課題に直面していました。データ分析の依頼が特定のアナリストに集中し、迅速な意思決定が阻害されることもあったため、「誰もがもっと手軽にデータと対話できる」仕組みが求められていました。 この課題を解決するために、メルカリはデータアナリティクスAIエージェント「Socrates（ソクラテス）」を開発しました。Socratesは、ユーザーが普段使う言葉（自然言語）で質問するだけで、まるで優秀なデータアナリストと会話するようにデータ分析を進められるシステムです。従来の「Text2SQL」（テキストからSQLを自動生成する技術）が単純な質問にしか対応できないのに対し、Socratesは「推論（思考）」と「行動（ツール利用）」を組み合わせることで、より複雑なデータ分析や仮説検証、レポート作成支援までを自動化します。これにより、データ分析の「民主化」とビジネスにおける「意思決定の迅速化」を目指しています。 Socratesが自社開発された背景には、高性能なLLM（大規模言語モデル）やAIエージェント構築ライブラリの登場、そしてメルカリに高品質なデータ資産（Basic Tables）が整備されていたというタイミングが重なりました。メルカリは、AIエージェントの核となる技術が汎用化する可能性を見据え、データの構造化や社内ナレッジの整備といった、他社が模倣しにくい「周辺資産」への早期投資と、それらを活用できる「AI Agent Ready」な組織への変革を重視しています。 Socratesの開発には、Googleが提供するAIエージェント開発フレームワーク「ADK (Agent Development Kit)」が活用されています。ADKは、Google Cloudのサービス（BigQueryやVertex AIなど）とスムーズに連携でき、複数の専門エージェントが協力して動く「マルチエージェントアーキテクチャ」の設計を支援します。Socratesでは、このADKを基盤に、BigQueryでのSQL実行、Pythonによるデータ処理、社内ドキュメント検索など、多様なツールと連携することでデータ分析のワークフローを自動化しています。 AIエージェントの運用は、機械学習システムの運用（MLOps）と同様に複雑です。メルカリでは、Socratesの応答品質やタスク達成度を評価するため、オフラインテスト、ユーザーからのフィードバック、さらには「Agent as a Judge」（別のAIエージェントがSocratesの応答を評価する）といった多角的なアプローチで継続的な改善を行っています。また、応答速度（レイテンシ）の改善、コスト最適化、セキュリティ対策（プロンプトインジェクション防止、情報漏洩対策など）にも力を入れています。ADKはGoogleエコシステムとの親和性が高く開発を加速させましたが、一部の課題も認識しており、今後の進化に期待を寄せています。 メルカリの事例は、AIエージェントが企業内のデータ活用を大きく変革する可能性を示しています。AIエージェントは、単に開発するだけでなく、データやドキュメントといった「周辺資産」を整備し、組織文化や業務プロセスを「育て続ける」ことが成功の鍵となります。 引用元: https://speakerdeck.com/na0/merukariniokerudetaanariteikusu-ai-eziento-socrates-to-adk-huo-yong-shi-li 「世界初の汎用AIエージェント」を豪語、中国発「Manus」がヤバすぎる理由 中国のAIスタートアップ「Butterfly Effect」が開発したAIエージェント「Manus」が、AIコミュニティで大きな注目を集めています。同社はこれを「世界初の汎用AIエージェント」と称し、OpenAIの「Deep Research」を超える性能を持つと豪語しています。 「Manus」は、AnthropicのClaude 3.5 SonnetやAlibabaのQwenモデルをベースにした「マルチエージェントシステム」を採用しています。これは、複数のAIが連携して働くことで、より複雑なタスクに対応できる仕組みです。初期の専門家による評価は非常に高く、例えば、犯罪率や起業家密度といった複数の要素を考慮してサンフランシスコの賃貸物件を探したり、リアルタイムのデータを使って自己紹介サイトを作成・公開したりといった、複雑で...
    続きを読む 一部表示
    1分未満

株式会社ずんだもん技術室AI放送局に寄せられたリスナーの声

カスタマーレビュー：以下のタブを選択することで、他のサイトのレビューをご覧になれます。

Audible.co.jp

Amazon.co.jp
レビューはまだありません。